Útmutatóhoz kapcsolódó kvíz · Közepes Szint
U-Net építészeti kvíz
Test U-Net encoder-decoder symmetry, skip connections, biomedical segmentation, diffusion noise prediction, and alternatives.
kérdés 1 -ból 8
Mi adja az U-Net "U" alakját?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi adja az U-Net "U" alakját?
- Egy kódoló, amely csökkenti a mintavételezést, és egy szimmetrikus dekóder, amely felfelé mintavételez
- Egyetlen egyenes köteg konvolúciókból
- Két párhuzamos hálózat kapcsolat nélkül
- Ismétlődő hurok időbeli lépésekkel
- Mi a célja az U-Net átugró kapcsolatainak?
- A paraméterek számának nullára csökkentése
- A finom térbeli részletek továbbítása a kódoló rétegekből közvetlenül a megfelelő dekódoló rétegekre
- A kép szürkeárnyalatossá alakítása
- Az edzés teljes kihagyásához
- Mire tervezték eredetileg az U-Netet?
- Beszédfelismerés
- Részvényár előrejelzés
- Orvosbiológiai képszegmentálás
- Szövegfordítás
- A stabil diffúzióban mit jósol az U-Net az egyes lépésekben?
- A kép utolsó felirata
- A tömörítési arány
- A kamera szöge
- A zaj, hogy távolítsa el a zajos látens
- Mi történik a térinformációkkal, amikor a kódoló lemintázza?
- Elvonja a jelenlévő „amit”, de elveszti a „hol” pontos részleteit
- Pontos pixelhelyeket nyer
- A képet szöveggé alakítja
- Megduplázza a felbontást
- Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
- Replacing every image with a random label
- Elastic deformations of the training images
- Training only on unmodified test images
- Removing the decoder path before training
- How did the original U-Net paper process large images beyond the network’s input size?
- By discarding all image borders
- By resizing every image to one pixel
- By predicting on overlapping tiles and extrapolating context at tile borders
- By running the model once on a text prompt
- What did the original U-Net paper’s weighted loss emphasize?
- Only background pixels, regardless of distance
- The most common image color
- Noise prediction at a diffusion timestep
- Border pixels between touching cells to help separate adjacent objects